Web 与应用分析
按页面或功能统计每日和每月的独立用户，并用 PFMERGE 跨天合并。
核心数据分析
大规模计数
在数十亿事件之上统计独立访客、回答“见过吗？”、找出热门条目和估算频率，每项都只占用少量且固定的内存。
- 种概率数据结构
- 4
- 每个结构的内存
- 固定
- 误差范围
- 已知
步骤 1 / 5
独立访客
把访客 id 加入 HyperLogLog。无论来多少访客，内存都保持很小。
示例会话playing
# 独立访客
hotkv> PFADD visitors:2026-10-16 user:42 user:77 user:91
(integer) 1
使用真实 HotKV 命令和示例回复的动画演示。点击任意步骤即可跳转。 命令和回复保持英文，与您在 HotKV 中输入和看到的完全一致。
问题所在
要精确回答“有多少独立用户”“这封邮件以前发过吗”或“热门搜索有哪些”，所需内存会随每个不同的条目增长。在数十亿事件的规模下，每个问题都会变成好几 GB 的集合和计数器。
HotKV 如何解决
概率数据结构以一个小而已知的误差换取固定的内存。HyperLogLog 统计不同条目的数量，Bloom 过滤器回答成员关系，Top-K 跟踪出现最频繁的条目，Count-min sketch 估算任意条目出现的次数。这四种结构都内置于 HotKV。
逐步演示
逐条命令，看看发生了什么
- 01
独立访客
把访客 id 加入 HyperLogLog。无论来多少访客，内存都保持很小。
PFADD visitors:2026-10-16 user:42 user:77 user:91 - 02
有多少？
对独立访客数的估算，标准误差很小。
PFCOUNT visitors:2026-10-16 - 03
绝不重复发送
发送营销邮件之前，先检查这个地址是否已经收到过。
BF.EXISTS sent:campaign:fall ada@example.com - 04
热门搜索
Top-K 在事件流入时保留出现最频繁的条目。
TOPK.LIST searches:today WITHCOUNT - 05
任意条目的出现次数
Count-min sketch 可估算任意条目的次数，无论它是否在榜单上。
CMS.QUERY pageviews /home /pricing /blog
适用场景
真实场景
邮件与通知
Bloom 过滤器在重试和不同营销活动之间防止重复发送。
搜索与电商
实时跟踪热门查询和浏览最多的商品，用于商品运营。
内置功能
您将获得
HyperLogLog
不同条目计数，可跨时间桶合并。
PFADDPFCOUNTPFMERGEBloom 过滤器
成员关系判断，假阳性率可配置。
BF.RESERVEBF.ADDBF.EXISTSTop-K
流中出现最频繁的条目。
TOPK.ADDTOPK.LISTCount-min sketch
任意条目的频率估算。
CMS.INCRBYCMS.QUERY常见问题
它们有多准确？
Bloom 过滤器可以设置误差率，Count-min sketch 可以设置宽度和深度。HyperLogLog 的标准误差小且固定。
Bloom 过滤器会漏掉它见过的东西吗？
不会。它可能报告假阳性，但绝不会报告假阴性。
我需要安装模块吗？
不需要。它们是 HotKV 的一部分。